Infrared spectroscopy prediction of organic carbon and total nitrogen in soil and particulate organic matter from diverse Canadian agricultural regions
Notice bibliographique
Résumé
Infrared spectroscopy has the capacity to predict soil organic carbon (SOC) and total nitrogen (TN) at local/regional scales, but no studies have been conducted to evaluate this technique at a large (cross-regional) scale in Canada. In this paper, mid-infrared (MIR) and near-infrared (NIR) spectroscopies in combination with partial least-squares regression (PLSr) were used to predict SOC and TN in whole soil and in particulate organic matter (POM) fractions on cross-regional, regional, and local scales. Both MIR- and NIR-PLSr models have well estimated SOC [coefficient of determination (R2) = 0.79–0.92, residual prediction deviation/ratio of prediction to deviation (RPD) = 2.19–3.47], TN (R2 = 0.70–0.92; RPD = 1.83–3.50), POM-C (R2 = 0.76–0.96; RPD = 2.04–5.25), and POM-N (R2 = 0.70–0.97; RPD = 1.83–5.78). The prediction efficiency of cross-regional models (R2 = 0.90–0.96; RPD = 3.13–5.49) was similar to or better than the prediction of regional (R2 = 0.70–0.97; RPD = 1.83–5.78) and local models (R2 = 0.70–0.96; RPD = 1.83–5.33) and overall MIR-PLSr models (R2 = 0.90–0.96; RPD = 1.98–3.47) yielded similar predictions for SOC and TN relative to NIR-PLSr models (R2 = 0.70–0.92; RPD = 1.83–3.50) at cross-regional scale. Hence, it may be possible to develop MIR and (or) NIR spectral models to estimate and monitor SOC, TN, POM-C, and POM-N, and therefore, soil quality, in a rapid and cost-efficient manner across regions with diverse soil types, climate, and cropping history.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».